Fugu-MT 論文翻訳(概要): Hybrid quantum neural network for drug response prediction

論文の概要: Hybrid quantum neural network for drug response prediction

arxiv url: http://arxiv.org/abs/2211.05777v2
Date: Mon, 15 May 2023 18:26:11 GMT
ステータス: 処理完了
システム内更新日: 2023-05-17 19:37:41.332016
Title: Hybrid quantum neural network for drug response prediction
Title（参考訳）: 薬物応答予測のためのハイブリッド量子ニューラルネットワーク
Authors: Asel Sagingalieva, Mohammad Kordzanganeh, Nurbolat Kenbayev, Daria Kosichkina, Tatiana Tomashuk, Alexey Melnikov
Abstract要約: 本稿では,8量子ビットと363層からなる畳み込み,グラフ畳み込み,ディープ量子ニューラルネットワークの組み合わせに基づく,薬物応答予測のための新しいハイブリッド量子ニューラルネットワークを提案する。このハイブリッド量子モデルは、IC50の薬物効果の予測において、その古典的アナログを15%上回ることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cancer is one of the leading causes of death worldwide. It is caused by a variety of genetic mutations, which makes every instance of the disease unique. Since chemotherapy can have extremely severe side effects, each patient requires a personalized treatment plan. Finding the dosages that maximize the beneficial effects of the drugs and minimize their adverse side effects is vital. Deep neural networks automate and improve drug selection. However, they require a lot of data to be trained on. Therefore, there is a need for machine-learning approaches that require less data. Hybrid quantum neural networks were shown to provide a potential advantage in problems where training data availability is limited. We propose a novel hybrid quantum neural network for drug response prediction, based on a combination of convolutional, graph convolutional, and deep quantum neural layers of 8 qubits with 363 layers. We test our model on the reduced Genomics of Drug Sensitivity in Cancer dataset and show that the hybrid quantum model outperforms its classical analog by 15% in predicting IC50 drug effectiveness values. The proposed hybrid quantum machine learning model is a step towards deep quantum data-efficient algorithms with thousands of quantum gates for solving problems in personalized medicine, where data collection is a challenge.
Abstract（参考訳）: がんは世界中の死因の1つである。これは様々な遺伝子変異によって引き起こされ、疾患の全ての事例に固有のものである。化学療法は非常に深刻な副作用があるため、各患者は個別の治療計画が必要となる。薬の有効効果を最大化し、副作用を最小化する投与量を見つけることは不可欠である。ディープニューラルネットワークは、薬物選択を自動化し、改善する。しかし、トレーニングを行うには多くのデータが必要です。したがって、少ないデータを必要とする機械学習アプローチが必要である。ハイブリッド量子ニューラルネットワークは、トレーニングデータの可用性が制限される問題において潜在的に有利であることが示された。本稿では,8量子ビットと363層からなる畳み込み,グラフ畳み込み,ディープ量子ニューラルネットワークの組み合わせに基づく,薬物応答予測のための新しいハイブリッド量子ニューラルネットワークを提案する。我々は,がんデータセットにおける薬物感受性の低下について検討し,IC50の薬物効果の予測において,ハイブリッド量子モデルは古典的アナログよりも15%優れていたことを示す。提案されたハイブリッド量子機械学習モデルは、データ収集が課題であるパーソナライズ医療における問題を解決するために、数千の量子ゲートを持つ深層量子データ効率アルゴリズムへの一歩である。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Diabetic Retinopathy Detection Using Quantum Transfer Learning [2.724141845301679]
糖尿病患者の合併症である糖尿病網膜症(DR)は、網膜に発生する病変により視力障害を引き起こすことがある。本稿では,DR検出のためのハイブリッド量子トランスファー学習手法を提案する。その結果,ResNet-18では97%の精度が得られた。
論文参考訳（メタデータ） (2024-05-02T21:09:39Z)
Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文参考訳（メタデータ） (2024-04-16T07:42:55Z)
Quantum to Classical Neural Network Transfer Learning Applied to Drug Toxicity Prediction [0.0]
毒性 (Toxicity) は、不規則な数の薬物が命を救うために使用されるのを防ぐブロックである。本稿では、古典的ニューラルネットワークの動作を模倣した量子回路設計を用いて、薬物毒性を予測するためのハイブリッド量子古典ニューラルネットワークを提案する。モデルの全古典的な$mathcalO(n3)$アナログに対して、コンメンシュレートな予測精度が得られることを示す。
論文参考訳（メタデータ） (2024-03-27T20:32:04Z)
Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文参考訳（メタデータ） (2023-11-05T11:48:08Z)
Predicting Side Effect of Drug Molecules using Recurrent Neural Networks [2.089191490381739]
規制団体への提出前に副作用の特定に失敗すると、企業への追加調査に数百万ドルと数ヶ月かかる可能性がある。従来のアプローチでは、サイドエフェクト予測のための複雑なモデル設計と過剰なパラメータカウントに依存していた。本稿では,単純なニューラルネットワーク,特にリカレントニューラルネットワークの利用を可能にするアプローチを提案する。
論文参考訳（メタデータ） (2023-05-17T16:56:19Z)
Implementing a Hybrid Quantum-Classical Neural Network by Utilizing a Variational Quantum Circuit for Detection of Dementia [0.0]
2019年にアルツハイマー病の患者3人に1人近くが誤診され、ニューラルネットワークの問題が修正される可能性がある。この研究により、提案されたハイブリッド量子古典畳み込みニューラルネットワーク(QCCNN)は97.5%と95.1%のテストおよび検証精度を提供することがわかった。 QCCNNはCNNの89%と91%と比較して95%と98%の画像を正しく検出した。
論文参考訳（メタデータ） (2023-01-29T18:05:42Z)
Hybrid quantum-classical convolutional neural networks to improve molecular protein binding affinity predictions [0.0]
本稿では,古典的ネットワークの複雑性を20%削減できるハイブリッド量子古典畳み込みニューラルネットワークを提案する。その結果、トレーニングプロセスにおいて最大40%の大幅な時間節約が達成され、薬物発見プロセスの有意義なスピードアップが実現した。
論文参考訳（メタデータ） (2023-01-16T09:53:26Z)
An Adiabatic Capacitive Artificial Neuron with RRAM-based Threshold Detection for Energy-Efficient Neuromorphic Computing [62.997667081978825]
神経細胞の体細胞膜電位を誘導するために, 断熱性シナプスコンデンサを特徴とする人工ニューロンを提案する。最初の4-bit adiabaticacacitive neuron proof-of-conceptの例では、90%のシナプスエネルギーが節約された。
論文参考訳（メタデータ） (2022-02-02T17:12:22Z)
A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文参考訳（メタデータ） (2021-07-19T23:41:03Z)
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文参考訳（メタデータ） (2020-05-13T20:29:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。